我试图找出为什么以下非常简单的最小示例占用了我的i7-5500U CPU，Windows 10计算机上大约33％的CPU使用率：
import time
import numpy as np
import scipy.linalg
import cProfile
class CPUTest:
def __init__(self):
self.running = True
def compute_stuff(self):
dims = 150
A = np.random.random((dims, dims))
B = scipy.linalg.inv(np.dot(A.T, A))
def run(self):
prev_time = time.time()
start_time = prev_time
while self.running:
time.sleep(0.3)
st = time.time()
self.compute_stuff()
et = time.time()
print 'Time for the whole iteration, inc. sleep: %.3f (ms), whereas the processing segment took %.3f (ms): ' % ((st - prev_time) * 1000, (et - st) * 1000)
prev_time = st
if st - start_time > 10.0:
break
t = CPUTest()
t.run()
# cProfile.run('t.run()')
compute_stuff函数只需2ms，其余时间程序正在休眠。由于睡眠不应该使用CPU，理论上该程序的CPU使用率仅为0.6％，但目前约为30％。
我已经尝试过一个分析器，它确认该程序在10分钟内处于睡眠状态9.79秒。
有人可以提供一个提示，说明为什么python会以这种方式运行？什么是降低CPU使用率的替代方案。
非常感谢！
修改
总之，该程序在97％的时间内处于睡眠状态，我的CPU使用率仍为33％。我想在不牺牲计算频率的情况下降低CPU使用率。
在这里您可以找到程序输出的示例：
Time for the whole iteration, inc. sleep: 302.000 (ms), whereas the processing segment took 1.000 (ms):
Time for the whole iteration, inc. sleep: 301.000 (ms), whereas the processing segment took 2.000 (ms):
Time for the whole iteration, inc. sleep: 303.000 (ms), whereas the processing segment took 3.000 (ms):
Time for the whole iteration, inc. sleep: 303.000 (ms), whereas the processing segment took 2.000 (ms):
Time for the whole iteration, inc. sleep: 302.000 (ms), whereas the processing segment took 1.000 (ms):
Time for the whole iteration, inc. sleep: 302.000 (ms), whereas the processing segment took 2.000 (ms):
Time for the whole iteration, inc. sleep: 302.000 (ms), whereas the processing segment took 2.000 (ms):
Time for the whole iteration, inc. sleep: 303.000 (ms), whereas the processing segment took 1.000 (ms):
Time for the whole iteration, inc. sleep: 301.000 (ms), whereas the processing segment took 2.000 (ms):
Time for the whole iteration, inc. sleep: 303.000 (ms), whereas the processing segment took 1.000 (ms):
这是分析器的输出：
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 10.050 10.050 <string>:1(<module>)
1 0.019 0.019 0.021 0.021 __init__.py:133(<module>)
1 0.067 0.067 0.119 0.119 __init__.py:205(<module>)
1 0.000 0.000 0.000 0.000 _components.py:1(<module>)
1 0.000 0.000 0.000 0.000 _laplacian.py:3(<module>)
49 0.000 0.000 0.000 0.000 _methods.py:37(_any)
49 0.000 0.000 0.001 0.000 _methods.py:40(_all)
49 0.011 0.000 0.137 0.003 _util.py:141(_asarray_validated)
1 0.001 0.001 0.001 0.001 _validation.py:1(<module>)
1 0.000 0.000 0.000 0.000 _version.py:114(_compare)
1 0.000 0.000 0.000 0.000 _version.py:148(__gt__)
2 0.000 0.000 0.000 0.000 _version.py:55(__init__)
1 0.000 0.000 0.000 0.000 _version.py:78(_compare_version)
1 0.008 0.008 0.009 0.009 base.py:1(<module>)
1 0.000 0.000 0.000 0.000 base.py:15(SparseWarning)
1 0.000 0.000 0.000 0.000 base.py:19(SparseFormatWarning)
1 0.000 0.000 0.000 0.000 base.py:23(SparseEfficiencyWarning)
1 0.000 0.000 0.000 0.000 base.py:61(spmatrix)
49 0.000 0.000 0.000 0.000 base.py:887(isspmatrix)
49 0.043 0.001 0.185 0.004 basic.py:619(inv)
49 0.000 0.000 0.001 0.000 blas.py:177(find_best_blas_type)
49 0.001 0.000 0.002 0.000 blas.py:223(_get_funcs)
1 0.000 0.000 0.000 0.000 bsr.py:1(<module>)
1 0.000 0.000 0.000 0.000 bsr.py:22(bsr_matrix)
1 0.012 0.012 0.012 0.012 compressed.py:1(<module>)
1 0.000 0.000 0.000 0.000 compressed.py:21(_cs_matrix)
1 0.000 0.000 0.000 0.000 construct.py:2(<module>)
1 0.000 0.000 0.000 0.000 coo.py:1(<module>)
1 0.000 0.000 0.000 0.000 coo.py:21(coo_matrix)
49 0.000 0.000 0.000 0.000 core.py:5960(isMaskedArray)
49 0.001 0.000 0.242 0.005 cpuTests.py:10(compute_stuff)
1 0.013 0.013 10.050 10.050 cpuTests.py:15(run)
1 0.000 0.000 0.000 0.000 csc.py:1(<module>)
1 0.000 0.000 0.000 0.000 csc.py:19(csc_matrix)
1 0.008 0.008 0.020 0.020 csr.py:1(<module>)
1 0.000 0.000 0.000 0.000 csr.py:21(csr_matrix)
18 0.000 0.000 0.000 0.000 data.py:106(_create_method)
1 0.000 0.000 0.000 0.000 data.py:121(_minmax_mixin)
1 0.000 0.000 0.000 0.000 data.py:22(_data_matrix)
1 0.000 0.000 0.000 0.000 data.py:7(<module>)
1 0.000 0.000 0.000 0.000 dia.py:1(<module>)
1 0.000 0.000 0.000 0.000 dia.py:17(dia_matrix)
1 0.000 0.000 0.000 0.000 dok.py:1(<module>)
1 0.000 0.000 0.000 0.000 dok.py:29(dok_matrix)
1 0.000 0.000 0.000 0.000 extract.py:2(<module>)
49 0.000 0.000 0.001 0.000 fromnumeric.py:1887(any)
49 0.005 0.000 0.006 0.000 function_base.py:605(asarray_chkfinite)
49 0.000 0.000 0.000 0.000 getlimits.py:245(__init__)
49 0.000 0.000 0.000 0.000 getlimits.py:270(max)
49 0.000 0.000 0.002 0.000 lapack.py:405(get_lapack_funcs)
49 0.002 0.000 0.003 0.000 lapack.py:447(_compute_lwork)
1 0.000 0.000 0.000 0.000 lil.py:19(lil_matrix)
1 0.002 0.002 0.002 0.002 lil.py:2(<module>)
49 0.000 0.000 0.000 0.000 misc.py:169(_datacopied)
3 0.000 0.000 0.000 0.000 nosetester.py:181(__init__)
3 0.000 0.000 0.000 0.000 ntpath.py:174(split)
3 0.000 0.000 0.000 0.000 ntpath.py:213(dirname)
3 0.000 0.000 0.000 0.000 ntpath.py:96(splitdrive)
49 0.000 0.000 0.000 0.000 numeric.py:406(asarray)
49 0.000 0.000 0.000 0.000 numeric.py:476(asanyarray)
98 0.000 0.000 0.000 0.000 numerictypes.py:942(_can_coerce_all)
49 0.000 0.000 0.000 0.000 numerictypes.py:964(find_common_type)
5 0.000 0.000 0.000 0.000 re.py:138(match)
2 0.000 0.000 0.000 0.000 re.py:143(search)
7 0.000 0.000 0.000 0.000 re.py:230(_compile)
1 0.000 0.000 0.000 0.000 sputils.py:2(<module>)
1 0.000 0.000 0.000 0.000 sputils.py:227(IndexMixin)
3 0.000 0.000 0.000 0.000 sre_compile.py:228(_compile_charset)
3 0.000 0.000 0.000 0.000 sre_compile.py:256(_optimize_charset)
3 0.000 0.000 0.000 0.000 sre_compile.py:433(_compile_info)
6 0.000 0.000 0.000 0.000 sre_compile.py:546(isstring)
3 0.000 0.000 0.000 0.000 sre_compile.py:552(_code)
3 0.000 0.000 0.000 0.000 sre_compile.py:567(compile)
3 0.000 0.000 0.000 0.000 sre_compile.py:64(_compile)
7 0.000 0.000 0.000 0.000 sre_parse.py:149(append)
3 0.000 0.000 0.000 0.000 sre_parse.py:151(getwidth)
3 0.000 0.000 0.000 0.000 sre_parse.py:189(__init__)
16 0.000 0.000 0.000 0.000 sre_parse.py:193(__next)
3 0.000 0.000 0.000 0.000 sre_parse.py:206(match)
13 0.000 0.000 0.000 0.000 sre_parse.py:212(get)
3 0.000 0.000 0.000 0.000 sre_parse.py:268(_escape)
3 0.000 0.000 0.000 0.000 sre_parse.py:317(_parse_sub)
3 0.000 0.000 0.000 0.000 sre_parse.py:395(_parse)
3 0.000 0.000 0.000 0.000 sre_parse.py:67(__init__)
3 0.000 0.000 0.000 0.000 sre_parse.py:706(parse)
3 0.000 0.000 0.000 0.000 sre_parse.py:92(__init__)
1 0.000 0.000 0.000 0.000 utils.py:117(deprecate)
1 0.000 0.000 0.000 0.000 utils.py:51(_set_function_name)
1 0.000 0.000 0.000 0.000 utils.py:68(__init__)
1 0.000 0.000 0.000 0.000 utils.py:73(__call__)
3 0.000 0.000 0.000 0.000 {_sre.compile}
1 0.000 0.000 0.000 0.000 {dir}
343 0.000 0.000 0.000 0.000 {getattr}
3 0.000 0.000 0.000 0.000 {hasattr}
158 0.000 0.000 0.000 0.000 {isinstance}
270 0.000 0.000 0.000 0.000 {len}
49 0.000 0.000 0.001 0.000 {method 'all' of 'numpy.ndarray' objects}
49 0.000 0.000 0.000 0.000 {method 'any' of 'numpy.ndarray' objects}
211 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
49 0.000 0.000 0.000 0.000 {method 'astype' of 'numpy.ndarray' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
5 0.000 0.000 0.000 0.000 {method 'end' of '_sre.SRE_Match' objects}
6 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}
3 0.000 0.000 0.000 0.000 {method 'find' of 'bytearray' objects}
205 0.000 0.000 0.000 0.000 {method 'get' of 'dict' objects}
2 0.000 0.000 0.000 0.000 {method 'group' of '_sre.SRE_Match' objects}
49 0.000 0.000 0.000 0.000 {method 'index' of 'list' objects}
3 0.000 0.000 0.000 0.000 {method 'items' of 'dict' objects}
1 0.000 0.000 0.000 0.000 {method 'join' of 'str' objects}
5 0.000 0.000 0.000 0.000 {method 'match' of '_sre.SRE_Pattern' objects}
49 0.021 0.000 0.021 0.000 {method 'random_sample' of 'mtrand.RandomState' objects}
98 0.001 0.000 0.001 0.000 {method 'reduce' of 'numpy.ufunc' objects}
3 0.000 0.000 0.000 0.000 {method 'replace' of 'str' objects}
2 0.000 0.000 0.000 0.000 {method 'search' of '_sre.SRE_Pattern' objects}
2 0.000 0.000 0.000 0.000 {method 'split' of 'str' objects}
60 0.000 0.000 0.000 0.000 {method 'startswith' of 'str' objects}
1 0.000 0.000 0.000 0.000 {method 'update' of 'dict' objects}
6 0.000 0.000 0.000 0.000 {min}
147 0.000 0.000 0.000 0.000 {numpy.core.multiarray.array}
49 0.036 0.001 0.036 0.001 {numpy.core.multiarray.dot}
4 0.000 0.000 0.000 0.000 {ord}
18 0.000 0.000 0.000 0.000 {setattr}
3 0.000 0.000 0.000 0.000 {sys._getframe}
49 9.794 0.200 9.794 0.200 {time.sleep}
99 0.000 0.000 0.000 0.000 {time.time}
第二次修改
我已经实现了等效的C ++版本（如下）。 C ++版本确实具有我期望的行为：它仅使用 0.3％到0.5％的CPU使用率！
#include <iostream>
#include <chrono>
#include <random>
#include <thread>
// Tune this values to get a computation lasting from 2 to 10ms
#define DIMS 50
#define MULTS 20
/*
This function will compute MULTS times matrix multiplications of transposed(A)*A
We simply want to waste enough time doing computations (tuned to waste between 2ms and 10ms)
*/
double compute_stuff(double A[][DIMS], double B[][DIMS]) {
double res = 0.0;
for (int k = 0; k < MULTS; k++) {
for (int i = 0; i < DIMS; i++) {
for (int j = 0; j < DIMS; j++) {
B[i][j] = 0.0;
for (int l = 0; l < DIMS; l++) {
B[i][j] += A[l][j] * A[j][l];
}
}
}
// We store the result from the matrix B
for (int i = 0; i < DIMS; i++) {
for (int j = 0; j < DIMS; j++) {
A[i][j] = B[i][j];
}
}
}
for (int i = 0; i < DIMS; i++) {
for (int j = 0; j < DIMS; j++) {
res += A[i][j];
}
}
return res;
}
int main() {
std::cout << "Running main" << std::endl;
double A[DIMS][DIMS]; // Data buffer for a random matrix
double B[DIMS][DIMS]; // Data buffer for intermediate computations
std::default_random_engine generator;
std::normal_distribution<double> distribution(0.0, 1.0);
for (int i = 0; i < DIMS; i++) {
for (int j = 0; j < DIMS; j++) {
A[i][j] = distribution(generator);
}
}
bool keep_running = true;
auto prev_time = std::chrono::high_resolution_clock::now();
auto start_time = prev_time;
while (keep_running)
{
std::this_thread::sleep_for(std::chrono::milliseconds(300));
auto st = std::chrono::high_resolution_clock::now();
double res = compute_stuff(A, B);
auto et = std::chrono::high_resolution_clock::now();
auto iteration_time = std::chrono::duration_cast<std::chrono::milliseconds>(st - prev_time).count();
auto computation_time = std::chrono::duration_cast<std::chrono::milliseconds>(et - st).count();
auto elapsed_time = std::chrono::duration_cast<std::chrono::milliseconds>(et - start_time).count();
std::cout << "Time for the whole iteration, inc. sleep:" << iteration_time << " (ms), whereas the processing segment took " << computation_time << "(ms)" << std::endl;
keep_running = elapsed_time < 10 * 1000;
prev_time = st;
}
}
在这里，您还可以看到C ++等效程序的输出：
Time for the whole iteration, inc. sleep:314 (ms), whereas the processing segment took 7(ms)
Time for the whole iteration, inc. sleep:317 (ms), whereas the processing segment took 7(ms)
Time for the whole iteration, inc. sleep:316 (ms), whereas the processing segment took 8(ms)
Time for the whole iteration, inc. sleep:316 (ms), whereas the processing segment took 7(ms)
Time for the whole iteration, inc. sleep:314 (ms), whereas the processing segment took 10(ms)
似乎有一些特定的python正在进行中。在3台机器（Linux和Windows）中已经确认了相同的行为
答案 0 :(得分：1)
我认为你在测量不同的东西，这会导致一些混乱。
对于初学者来说，切换环境成本;如果您有批处理作业，最好让系统决定何时切换到其他任务而不是自己插入睡眠。每次进程休眠时，都会花一些时间调用系统进行重新安排，并设置警报以便再次唤醒，然后在警报触发后恢复。
任务管理器使用的CPU使用率指示传统上也是不精确的。它们旨在找到使程序保持繁忙的程序，并指出调度程序正在处理的内容。例如，一个常见的指示是系统空闲进程需要大量时间;这个过程只是为了保持一致性，所以当没有别的事情要进入睡眠时，调度程序不是特殊情况。
CPU速度本身现在是可变的。如果您的程序经常几乎没有睡眠，许多计算机将减速以匹配它，一个旨在使工作像播放视频的功能不需要在运行和睡眠模式之间切换，这本身需要一些时间。特别是，一旦睡着，再次启动需要时间，这使基于时间的调度（睡眠和超时）和延迟反应变得复杂。这意味着在高度相似的负载下，CPU百分比仅与另一个相当。
您的系统可能在后台运行其他几项任务，更少需要CPU时间。当睡眠时间很短时，可能会在同一个处理器上插入这些内容，但如果此任务长时间睡眠，则更多时候会在另一个处理器上运行。由于您的程序只需要一个处理器容量的一小部分，这使得百分比变化很大。
我们看到的另一个方面是时间测量仅以毫秒为单位。如果工作片指示为1到3毫秒，我们就会产生非常大的相对量化误差。切片太小，无法使用任务管理器或此系统上的time.time（）进行可靠测量。
考虑到所有这些额外的变量，我们真正知道的是，您执行的睡眠越多，程序的开销就越大。像unix time（1）这样的工具将通过分割在墙上花费的时间（实时流逝），用户（运行程序本身所花费的时间）和系统（处理程序调用所花费的时间，包括管理）来指示特定任务的分布睡觉的开销，但不是实际睡觉的时间）。
这些睡眠的目标是什么？设置线程优先级是不是更好？
答案 1 :(得分：0)
当我编写游戏程序时，我发现了这个问题。
我意识到，即使我创建了一个仅打印hello world msg的while无限循环，程序的CPU使用率仍为30％。
所以我在while循环的开头和结尾使用time.sleep（0.05）。
我的问题解决了。 只需在您的循环中睡觉即可。 我认为可以做到的。
答案 2 :(得分：0)
我遇到了同样的问题，并通过强制numpy / scipy在BLAS中仅使用一个线程来设法解决了这个问题。将线程数定义为环境变量，或者在导入numpy和scipy之前强制添加以下行以强制其使用一个线程。
import os
os.environ["OPENBLAS_NUM_THREADS"] = "1"
os.environ["MKL_NUM_THREADS"] = "1"
import numpy as np
import scipy.linalg
我不确定潜在的问题，但是有任何类型的延迟，例如time.sleep或I / O阻塞操作与多线程numpy冲突，导致它浪费CPU周期而不是正常睡眠。诸如np.mean之类的非多线程操作似乎不会导致此问题。但是，如果没有延迟，则与强制使用一个线程相比，多线程numpy的计算速度仍然要快得多。
答案 3 :(得分：0)
我注意到同样的事情，从 python 调用 time.sleep 会占用更多的 CPU。我没有遇到您的巨大性能问题，但由于我希望我的空闲进程空闲，而不是占用 CPU，因此我采用了猴子修补 time.sleep 的解决方案，并将其替换为对 {{ 的本机调用1}}。 （我的主要目标是 Linux）
usleep我在主应用程序中调用 import time
from ctypes import cdll
glibc = None
def _custom_sleep(t):
glibc.usleep(int(t * 1000000))
def patch_time():
global glibc
try:
glibc = cdll.LoadLibrary("libc.so.6")
time.sleep = _custom_sleep
except Exception as e:
print(f"Failed to patch time.sleep: {e}. Performance might be worse.")
。 CPU 使用率下降。